基于SSVEP信號的下肢外骨骼機器人控制系統研究

陳熙來 叢佩超 萬東寶 李文彬

摘要：為了降低腦控下肢外骨骼機器人的研發成本，促進腦機接口技術的快速發展，提出一種基于深度學習與Matlab/

Simulink聯合仿真控制方法。該方法建立具有多個自由度的下肢外骨骼機器人樣機模型，并進行運動學仿真，驗證模型的合理性。利用EEGLAB對SSVEP信號進行濾波預處理，通過FFT變換將信號從時域轉換到頻域，提取SSVEP信號的頻域特征。結合深度學習理論對特征進行分類，將分類結果轉換成控制指令，控制仿真模型進行運動。實驗結果表明，該方法控制的平均準確率達到了79.8%，驗證了其可行性。

關鍵詞：腦機接口；SSVEP；深度學習；下肢外骨骼機器人；Matlab/Simulink

中圖分類號：TN911.7；TP242.3? ? 文獻標志碼：A? ? 文章編號：1671-0797（2024）07-0042-04

DOI：10.19514/j.cnki.cn32-1628/tm.2024.07.011

0? ? 引言

近年來，隨著現代醫療技術的進步，人類的平均壽命不斷延長，導致人口老齡化危機加劇[1]。在這一背景下，中風發病率預計將呈上升趨勢，為提高患者的運動能力，機器人在康復領域得到了廣泛的應用，尤其是下肢外骨骼機器人[2]。這類機器人具有針對性訓練神經和肌肉系統的能力，為患者康復提供了一種有效途徑。

下肢外骨骼機器人是一種特殊的可穿戴機器人，其融合了控制、機械和其他相關技術。傳統的外骨骼控制主要包括位置控制、力控制和位置力混合控制。然而，傳統方法通常采用被動輔助訓練模式，互動性較差。為提高人機交互性，研究人員嘗試通過腦電檢測患者的活動意圖。通過分析大腦活動時電信號的變化，利用計算機將電信號轉換成控制信號，使穿戴者通過意念控制外部設備，例如腦控輪椅和腦控外骨骼[3]。盡管2014年巴西世界杯上展示了一種由美國杜克大學研發的腦控外骨骼，但目前這一技術仍在基礎研究階段，存在控制難度大、動作幅度小和不夠精準等問題。

針對上述腦控機器人的控制精度問題，為進一步提高機器人的控制準確性，本文以下肢外骨骼機器人康復助力為研究背景，構建了一種基于SSVEP信號的下肢外骨骼機器人控制系統。本文旨在探討腦機接口技術在外骨骼機器人控制中的融合，改善傳統康復機器人的被動訓練模式，并提高人機交互性。

1? ? 系統構成

1.1? ? 框架

基于SSVEP信號的下肢外骨骼機器人控制系統框架如圖1所示。受試者穿戴外骨骼設備，作為被控制端提供助力。EEG記錄采用德國Brain Products（BP）公司生產的64導腦電設備，包括：BrainAmps放大器和64導Ag/AgCl電極帽。電極基于國際標準導聯10-20系統（10-20 electrode system）安置，采集頻率設置為1 000 Hz。信號通過串口傳輸至上位機進行分析處理，生成控制指令。然后，通過串口將指令發送至外骨骼模塊，以驅動Simulink/Simscape中的仿真模型運動。外骨骼模塊一次只接收一個控制指令，且每個控制指令之間的時間間隔固定。

1.2? ? 下肢外骨骼機器人模塊

機器人通過串口接收腦控命令，髖、膝、踝關節各設1個自由度，實現跟隨穿戴者運動軌跡而運動。使用預先采集的下肢運動步態數據設置機器人各關節驅動函數。基于德長三維步態與運動分析系統監測3名成年男性在平地行走時的步態，獲取關節數據，并擬合光滑處理。選取最佳步態曲線作為機器人模塊的輸入。Simulink模型細節如圖2所示，動力學仿真過程如圖3所示。

1.3? ? 腦電信號采集模塊

采集模塊由腦電帽、放大器、電極線等組成，同時配備專用的腦電采集和分析軟件BrainVision Recorder和Brain Vision Analyzer2.0，能夠連續采集受試者各部位的腦電信號。由于實驗研究重點集中在視覺功能區域的腦電變化，因此選擇大腦頂葉和枕葉區域的30個電極，導聯序號為34～42及44～64，參考電極為Cz，如圖4所示。

2? ? 實驗設計

針對實驗中的數據采集環節，由于采集要求嚴苛，故采用清華大學提供的Benchmark公開SSVEP數據集，替代數據采集環節[4]。該數據集共有64個活動電極記錄35名受試者的腦電信號。SSVEP刺激通過一個虛擬鍵盤實現，包含40種刺激頻率，信號采樣率為250 Hz，數據采集過程如圖5所示。

2.1? ? 數據預處理與特征提取

本節使用數據集的后30個受試者數據訓練模型，用前5人數據進行離線控制測試。為實現機器人啟動和停止的二分類，選取W和S兩類數據，頻率分別為14.4 Hz和10.4 Hz，每類210個樣本。鑒于深度學習模型對數據量的需求，對于導聯挑選后的數據進行兩次數據劃分擴充：去除刺激前后0.5 s數據，以1.5 s時間窗和0.5 s步長對信號進行分段。對每導聯信號進行FFT處理，取單邊頻率信息，并分類提取實部和虛部。按照原導聯順序排列，拼接成60×188×1大小的特征矩陣。網絡使用的信號長度為1.5 s，采樣頻率為250 Hz，并將兩類標簽設為1和-1。

2.2? ? 分類算法設計

本文設計的深度學習分類模型如圖6所示。該模型由6個層組成，包括1個輸入層、4個卷積層、1個全連接層和1個輸出層。模型通過卷積操作提取FFT變換得到的頻率和相位特征。卷積操作包括卷積、加偏置和激活三個步驟。卷積核對輸入特征進行卷積，加偏置后，再經過激活函數，得到特征映射矩陣。該模型使用ReLU函數作為激活函數，因為它具有計算簡單、避免梯度消失等優點。

模型使用Matlab軟件編程，Adam優化器訓練，學習率為0.000 1，迭代批次數為150，批大小為100。硬件設備為：

1）CPU：Intel（R） Core（TM） i5-9600KF，內存：16 GB；

2）GPU：NVIDIA GeForce GTX 1650；

3）顯存：4 GB。

3? ? 結果

每名受試者參與同類的SSVEP有6個試次，通過數據劃分擴充為48個樣本。前5人劃分的數據作為測試集，后30人數據作為訓練集，并進行交叉驗證。具體識別結果如表1所示。

由表1可知，5名受試者SSVEP信號分類的平均準確率為79.8%，其中3人超過80%，證明了本文設計的基于SSVEP信號的外骨骼機器人控制系統的有效性。

4? ? 討論

本文以BrainAmp腦電采集系統和Benchmark開源數據集為基礎，構建下肢外骨骼機器人控制系統，并通過離線實驗進行驗證。該系統通過SSVEP信號控制機器人移動，指令判別平均準確率達79.8%，驗證了系統的有效性。研究選用大腦頂葉和枕葉的30個電極，在保證BCI（腦機接口）性能的同時，降低了計算量，為設計廉價可穿戴腦機接口提供了參考。

5? ? 結束語

本文構建了基于SSVEP信號的下肢外骨骼機器人控制框架，并通過離線實驗證實了其有效性，該系統有望在未來實際康復治療中應用。未來的研究將專注于提高系統的實時性，為腦機接口技術在外骨骼機器人中的應用提供理論基礎和技術支持。

[參考文獻]

[1] 和明杰.中國與世界人口老齡化進程及展望對比研究[J].老齡科學研究，2023，11（12）：36-51.

[2] TIAN D K，LI W T，LI J K，et al.Self-balancing exoskeleton robots designed to facilitate multiple rehabilitation training movements[J].IEEE Transactions on Neural Systems and Rehabilitation Engineering，2024，32：293-303.

[3] WANG F，WEN Y Z，BI J Y，et al.A portable SSVEP-BCI system for rehabilitation exoskeleton in augmented reality environment[J].Biomedical Signal Processing and Control，2023，83：1.1-1.10.

[4] WANG Y J，CHEN X G，GAO X R，et al.A benchmark dataset for SSVEP-based brain–computer interfaces[J].IEEE Transactions on Neural Systems and Rehabilitation Engineering，2016，25（10）：1746-1752.

收稿日期：2024-02-27

作者簡介：陳熙來（1997—），男，湖北人，碩士研究生，研究方向：下肢外骨骼機器人、腦機接口。

通信作者：叢佩超（1980—），男，吉林人，博士，副教授，研究方向：智能化移動機器人的自主導航與控制問題。